基于点组比较策略的图像特征点二值描述及匹配方法

技术领域

本发明涉及图像处理中特征点匹配领域，特别是数字图像中二值描述子的构建及特征点匹配方法。

背景技术

以SIFT技术（D. Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision. 2004, 60(2): 91–110）的提出及应用为重要标志，特征点匹配技术在目标识别，目标追踪，场景拼接等许多场景中取得了广泛应用。近年来随着移动智能设备的迅速广泛应用，存储空间小、处理效率高的特征点二值描述及匹配方法成为重要技术及研究热点。

已有出现的特征点二值描述方法主要有BRISK（S. Leutenegger, M. Chli, and R. Siegwart. Brisk: Binary robust invariant scalable keypoints. International Conference on Computer Vision. 2011, 2548-2555）、FREAK（A. Ahi, R. Ortiz and P. Vandergheynst. FREAK: fast retina keypoint. IEEE Conference on Computer Vision and Pattern Recognition. 2012, 2069-2076）以及BRIEF（M. Calonder, V. Lepetit and M. Ozuysal, et al. BRIEF: Computing a local binary descriptor very fast, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2012, 34(7):1281-1298）等。三种描述子的主要原理都是先采用固定模板或者随机模板在特征点支撑区域内进行采样，然后将采样点组成点对并比较采样点灰度大小来进行二值化，最后将二值结果组成描述子。但是，已有二值描述子比较采样点灰度值的方式都是直接对两个采样点的灰度值进行比较，这就导致如下问题：1）图像中单个像素点的灰度值很容易受到噪音的影响导致比较结果不稳定；2)当两个比较的采样点灰度值比较接近时二值化结果非常不稳定。由于二值结果的不稳定将直接导致最终获得的二值描述子性能也不稳定，故需要研究更加稳定的特征点二值描述及匹配方法。

发明内容

本发明针对已有二值匹配描述子在进行单个像素的灰度比较时易受到噪音影响而不稳定等缺点，提出一种基于点组匹配策略的图像特征点二值描述及匹配方法，主要包括以下步骤：

步骤S1：采集图像并进行预处理；

步骤S2：使用SIFT或者Harris角点检测算法在两幅图像上分别提取特征点；

步骤S3：确定特征点支撑区域并计算特征点主方向；

步骤S4：选择特征点支撑区域内的32个采样点；

步骤S5：确定特征点支撑区域内的144组采样点对；

步骤S6：基于点组比较策略进行二值化处理；

步骤S61: 确定采样点的局部像素点；

步骤S62: 比较局部像素点灰度值；

步骤S63: 对点组比较结果进行二值化；

步骤S7：构造特征点的二值特征描述子；

步骤S8：基于二值特征描述子并利用NNDR准则进行特征点匹配。

与当前已有的BRISK、FREAK、BRIEF等二值描述子相比较，本发明提供的二值描述子构建及特征点匹配方法，不是直接比较两个采样点的灰度大小，而是选择以采样点为中心的五个局部像素点进行比较，根据五对局部像素点的比较结果，选取出现次数最多的比较结果作为采样点对的最终比较结果。显然，五对局部像素点进行比较的结果比单对采样点比较的结果更加稳定，即使个别采样点的灰度值受到噪音影响而改变，最终的二值化结果也能够保持相对稳定。因此，本发明提供的方法比已有方法具有更稳定的优点。

附图说明

图1为本发明基于点组比较策略的图像特征点二值描述及匹配方法流程图。

图2为本发明提供的方法步骤S4选择特征点支撑区域内的32个采样点的示意图。

具体实施方式

如图1所示为本发明基于点组比较策略的图像特征点二值描述及匹配方法流程图，主要包括以下步骤：采集图像并进行预处理、使用SIFT或者Harris角点检测算法在两幅图像上分别提取特征点、确定特征点支撑区域并计算特征点主方向、选择特征点支撑区域内的32个采样点、确定特征点支撑区域内的144组采样点对、基于点组比较策略进行二值化处理、构造特征点的二值特征描述子、基于二值特征描述子并利用NNDR准则进行特征点匹配。各步骤的具体实施细节如下：

步骤S1:采集图像并进行预处理，具体方式为，采集同一场景不同视角下两幅不同图像并输入计算机，将彩色图像转化为灰度图像后进行高斯平滑处理。

步骤S2:使用SIFT或者Harris角点检测算法在两幅图像上分别提取特征点。

步骤S3：确定特征点支撑区域并计算特征点主方向，具体方式为，对于任一特征点P>P>R>G_R(P>P>R>G_R(P>g_x,>g_y]，将该梯度均值对应的方向θ>g_y,>g_x)确定为特征点P>

步骤S4：选择特征点支撑区域内的32个采样点，具体方式为，对于任一特征点P>P>l₁、l₂、l₃、l₄、l₅、l₆、l₇、l₈将G_R(P>P>R>O₁、O₂、O₃、O₄，将四个同心圆与8条射线的32个交点确定为采样点，如图2所示。

步骤S5：确定特征点支撑区域内的144组采样点对，具体方式为，对于步骤S4获得的圆O₁和圆O₂，考虑圆O₁上的8个采样点，对于其中任一采样点X_i，选择圆O₂上距离X_i最近的三个采样点与点X_i组成采样点对，获得8×3=24组采样点对；按此方式将圆O₁和圆O₃、圆O₁和圆O₄、圆O₂和圆O₃、圆O₂和圆O₄、圆O₃和圆O₄上的采样点进行组合，共计获得8×3×6>

步骤S6：基于点组比较策略进行二值化处理，具体方式如下：

步骤S61: 确定采样点的局部像素点，具体方式为，考虑特征点P>G_R(P>X_i，将X_i记为X_i0，以X_i0为圆心、r>O_r(X_i0)，r>O_r(X_i0)交于X_i1，在圆周O_r(X_i0)上以X_i1为起始点，顺时针确定4个均匀分布的点X_i1、X_i2、X_i3、X_i4将圆周分为4等份，记f>X_ik)>k>X_ik处的灰度值；

步骤S62: 比较局部像素点灰度值，具体方式为，考虑步骤S5确定的一组采样点对(X_i，X_j)，按步骤S61所述方式确定两个点组{X_ik>X_jk>X_ik，X_jk)(k>

；

步骤S63: 对点组比较结果进行二值化，具体二值化公式为，

。

步骤S7: 构造特征点的二值特征描述子，具体方式为，对于任一特征点P>P的144维二值特征描述子。

步骤S8：基于二值特征描述子并利用NNDR准则进行特征点匹配，具体方式为，对于第1幅图像中任一特征点P>P>P₁'，其距离值记为d₁，同时与P>P₂'，其距离值记为d₂，如果小于阈值T>P>P₁')确定为一组匹配点并输出，其中T的取值为0.6~0.85。

与当前已有的BRISK、FREAK、BRIEF等二值描述子相比较，本发明提供的二值描述子构建及特征点匹配方法，不是直接比较两个采样点的灰度大小，而是选择以采样点为中心的五个局部像素点进行比较，根据五对局部像素点的比较结果，选取出现次数最多的比较结果作为采样点对的最终比较结果。显然，五对局部像素点进行比较的结果比单对采样点比较的结果更加稳定，即使个别采样点的灰度值受到噪音影响而改变，最终的二值化结果也能够保持相对稳定。因此，本发明提供的方法比已有方法具有更稳定的优点。